کشف الگوهای پرتکرار افزایشی و کاهشی

کشف الگوهای پرتکرار از مجموعه داده های تراکنشی یکی از مهمترین وظایف داده کاوی است که تا کنون تحقیقات بسیار زیادی بر روی آن انجام گرفته است. بخشی از این تحقیقات بر روی الگوهای پرتکرار متناوب متمرکز گردیده اند؛ الگوهای متناوب، الگوهایی هستند که به طور منظم تکرار می شوند؛ به عبارت دیگر الگوهایی، که فاصله بین هر دو رخداد متوالی آنها، از حداکثر از پیش تعریف شده کمتر باشد. اگرچه الگوهای متناوب می توانند اطلاعات مفیدی برای کاربران به همراه داشته باشند؛ اما به نظر می رسد که حالتهای خاص، مثل افزایش یا کاهش تعداد رخداد یک الگوی پرتکرار، نیز می تواند مفید باشد. این در حالی است که این اطلاعات، با جدا کردن الگوهای متناوب از دست خواهد رفت. در این مقاله الگوریتمی مبتنی بر الگوریتم Eclat پیشنهاد نموده ایم که می تواند، با بررسی تغییرات فاصله رخدادها، حالتهای خاص در الگوها را کشف کند. آزمایش های انجام شده نشان می دهد الگوریتم ارایه شده کارا بوده و می تواند الگوهای پرتکرار افزایشی و یا کاهشی را پیدا نماید.